MPEGAUDIO音频处理的基本知识(DOC可编).docVIP

MPEG AUDIO音频处理的基本知识(整理） [转] 2011-02-23 22:16:04|??分类： 音响相关 |??标签：量化??遮蔽??noise??tone??band?? |字号大中小?订阅 ??? 音频数据因为其內容的特性，以传统的压缩方法很难达到很高的压缩率，不过我们人耳并没有无限的时间解析度和频率解析度，其实原始的音频信号中包含了很多我们听不到的内容。把这些对我们来说其实无意义的内容去掉，这样就可以达到很高的压缩率。这种利用人类感官知觉的特性的失真压缩法，就叫做perceptual coding（感知编码）。??? 人耳的生理结构，由外耳的耳殼收集外界的声波到达中耳的耳膜产生震动，经由三块小骨连接前庭窗传入内耳，其中由于耳殼的內凹形状，外耳道的长度和宽度..等等生理的构造，会对不同频率产生共振升压的效果，尤其是2～5KHz的频率，会在这个过程中被放大。人耳的听觉频率范围，大约是20Hz~20KHz，音量范围则是130dB SPL， 大于130dB会产生痛苦的感觉，小于0dB则被当成是静音。如上所述，人耳对2~5KHz 的频率最敏感，越往高频感觉越不敏锐，音量要超过一定的界限以上不能被人耳察觉，这个最低可以听闻的界限，叫做ATH（absolute threshold of hearing）。内耳的耳蜗有许多绒毛细胞，分别会对不同的频率产生反应，将基底膜淋巴液的波动转换成神经的电流信号，传达给大脑。也就是说耳蜗的作用就像一个频谱分析仪，把声波转换成不同频率的信号，每一个特定位置的绒毛细胞会受到特定频率的刺激，但是当基底膜传导波动时其临近周围的阿绒毛细胞也会受到刺激。这也就是说如果有一个频率的音量很大，在它附近同时有一个比较弱的频率的话，比较弱的频率的声音就会被比较强的声音给遮蔽掉。我们人耳没有办法分辨出有一个比较弱的频率的声音存在。这个遮蔽的作用叫做frequency masking。另外从基底膜收到声音震动到达稳定状态，还有声音结束后完全停止，中间都需要一段时间。所以如果有一个很大声的声音出现，在这个声音开始之前，到这个声音结束之后，有一段时间我们听不到其他声音的，这种遮蔽效应，我们称为temporal masking，之前的叫pre-masking，之后的叫 post-masking。前面提到耳蜗就像一部频谱分析仪，或者说像一个band pass filter，会把声音分成许多不同的子频带，每个频带里都有一个中心频率，越往两边遮蔽效果就越弱，在同一个频带里面的频率会互相影响，我们对他们的感知特性也十分接近，这种人耳知觉特性的频带，我们称为critical band。critical band 的宽度并不是都相等的，低频的部分比较窄，高频的部分则比较宽，总共分成26个critical band。除了人耳的生理结构特性以外，大脑的作用也占了一个很重要的角色。我们都知道高音是由基音决定，而音色是由泛音决定，我们很惊讶的发现，人类的大脑会自动补上基音，即使这个基音并不存在。譬如说电话的频宽只有300～3200Hz，但是当我们听一个基音在120Hz的男性讲电话的时候，我们还是可以听出他的正确的音高，不会把男生听成女生。大脑是如何运用复杂的计算去重建这个不存在的基音，我们目前尚无法得知。??? 经过长期的实验和观察，我们可将人耳的听觉特性定性，建立一个人耳的听觉模型，叫做psychoacoustic model，有了这些对人耳知觉特性的了解，我们就可以根据这些理论来压缩音频数据，把我们听不到的声音去掉。 ??? 说是去掉，实际上是怎么做的呢？要将无限的连续的模拟信号转换成有限的离散的数字信号，中间必须经过取样和量化的过程，譬如说现在量化的位阶只有0～8九个数字，每一个位阶的间隔大小是一格，对一个4.9的信号作量化，得到的数字是5，和原来4.9相差0.1，这个误差叫做量化噪音。假设我们把量化的位阶减少到5个，分别为0～8中的0，2，4，6，8。位阶的间隔大小变成两格，此时再对4.9量化，量化的结果就是4，误差扩大到0.9，也就是说量化的位阶越少，量化的间隔就越大，量化噪音也就越大。 ??? 我们做一个实验，把16bit的声波转为8bit，当场丢掉一半的内容，数据也就小了一半，最简单的失真压缩。不过我们观察频谱发现，减少量化的bit数产生的量化噪音，会造成全频带都水平上升一定杂音，你如果听这个8bit的声波文件，会发现背景充满沙沙的噪音，这就是因为量化误差产生的量化噪音。那我们会想，这样全频带都减少一定的bit数太没有的效率，为什么不把他分成好几个频带（critical band），再根据人耳的心理声学模型的遮蔽效应，对不同频带分配不同的bit数，让各个频带产生的量化噪音低于遮蔽效应的曲线以下，这样这些产生的量化噪音